上海交通大学研究人员在《自然机器智能》杂志上发表新研究，提出一种受昆虫飞行能力启发的新方法，可让多架无人机组成的团队在高速移动时自主导航复杂环境，为高端设备制造领域的无人机技术发展带来新突破。

目前，无人机虽应用广泛，但多数需人工操作，且许多无人机难以在杂乱、拥挤或未知环境中飞行而不碰撞，能在这些环境飞行的无人机又依赖昂贵或笨重组件。

上海交大的邹丹平教授和林伟耀教授表示，研究受苍蝇等微小昆虫飞行能力启发。如此小的生物，凭借微小大脑和有限感知能力，就能做出敏捷、智能动作，复制这种飞行控制水平一直是机器人领域的梦想和重大挑战，需要紧密集成感知、规划和控制，且依靠有限机载计算运行。

传统控制多架无人机飞行的计算方法，将自主导航任务分解为多个独立模块，虽有效但会导致误差累积和无人机响应延迟，增加碰撞风险。邹教授和林教授称，研究主要目标是探索轻量级人工神经网络(ANN)能否用紧凑的端到端策略取代经典流程。该网络以传感器数据为输入，直接输出控制动作，模仿苍蝇利用少量神经元产生复杂行为的方式，旨在证明感知和计算的极简主义可实现高性能自主飞行。

研究人员开发的新系统依赖新开发的轻量级人工神经网络，能基于12×16超低分辨率深度图为四旋翼飞行器生成控制指令，虽输入分辨率低，但足以让网络理解环境并规划动作。该网络在定制模拟器中训练，支持单智能体和多智能体训练模式，训练过程高效。

此多机导航方法关键优势在于，依赖高度紧凑、轻量级的深度神经网络，仅有三个卷积层。在售价21美元的嵌入式计算板上测试，运行流畅且节能。在RTX 4090 GPU上训练仅需2小时，还支持多机器人导航，无需集中规划或显式通信，可实现群体场景可扩展部署。

研究回顾既往文献发现，许多无人机导航深度学习算法实际场景泛化能力不佳，因未考虑意外障碍物或环境变化，需大量人类专家标注的飞行数据训练。而将四旋翼飞行器物理模型直接嵌入训练过程，可显著提高训练效率和实际性能，包括稳健性和灵活性。

邹教授和林教授及其同事的研究成果，展现了小型人工神经网络模型处理复杂导航任务的潜力，表明这些模型可能比人们通常认为的更有效，还有助于理解大型模型工作原理。其开发的轻量级模型在模拟环境中训练表现良好，挑战了“数据越多越好”的普遍假设，表明结构对齐和嵌入的物理先验可能比纯粹的数据量更重要。

研究结果表明，基于基本物理原理的神经网络可比基于大量标记数据训练的网络取得更好效果，低清晰度深度图像也能精确引导机器人行为。

未来，该方法可应用于更多类型飞行器，并在特定实际场景测试，有助于拓展超轻型无人机执行能力，如自动自拍、参加竞速比赛，还可用于体育赛事转播、搜救行动、杂乱仓库检查等。目前，研究团队正在探索使用光流代替深度图实现完全自主飞行，并追求端到端学习系统的可解释性，希望进一步阐明网络内部表征，为理解昆虫处理环境和规划行动提供见解。

更多信息： 通过可微分物理学习基于视觉的敏捷飞行。《自然机器智能》(2025)。